Download Informatica e Bioinformatica: Basi di Dati

Informatica e Bioinformatica: Basi di Dati
Mauro Conti
Date TBD
Mauro Conti
Basi di Dati
Bioinformatica
I costi di sequenziamento e di hardware descrescono
vertiginosamente
si hanno a disposizione sempre più dati e hardware sempre più
potente e meno costoso. . .
Bioinformatica: applicazione dell’informatica alla gestione e
all’analisi dei dati biologici
Mauro Conti
Basi di Dati
Archivi di Dati: Introduzione
Gestione: conoscere come e dove sono archiviati i dati
biologici e saper effettuare velocemente ricerche esaustive per
trovare ciò che interessa.
Oggi ci occuperemo del “come” sono archiviati i dati biologici.
Prima dell’avvento dei computer, i dati erano salvati su
supporti cartacei:
quaderni, memorizzazione sequenziale dei dati. È difficile
riordinarli secondo criteri diversi da quello in cui sono stati
scritti
Ad esempio un quaderno di fatture, scritte secondo l’ordine di
emissione, riordinarle alfabeticamente.
schedari, dove i dati sono organizzati in schede (ad esempio
una scheda per ogni fattura)
Mauro Conti
Basi di Dati
Archivio
Un archivio deve essere specifico per l’ambito a cui fa
riferimento, non può contenere tutto
se si vuole costruire uno schedario clienti ad ogni cliente dovrà
essere associata una scheda
Ogni scheda dovrà contenere le informazioni, chiamate
attributi, che costituiscono l’elemento
la scheda di una fattura potrà avere i seguenti attributi: data
di emissione, ammontare, nome cliente, ecc. . .
Mauro Conti
Basi di Dati
Archivio: Caratteristiche
Una scheda rappresenta una singola fattura e c’è una sola
scheda per ogni fattura
Ogni scheda rappresenta un elemento unico (ogni fattura è
univoca e rappresenta una singola transazione di merce)
Però informazioni presenti su una scheda (attributi) possono
essere ripetute
lo stesso cliente può comparire in più schede
Mauro Conti
Basi di Dati
Database
Un database (base di dati) è l’equivalente software di uno
schedario
Più formalmente, il termine database (base di dati) indica un
archivio di dati riguardanti uno o più argomenti correlati tra
loro e strutturato in modo da consentire la gestione dei dati
stessi da parte di applicazioni software gestite da un
elaboratore.
Per gestione dei dati si intende linsieme di operazioni che
permette di effettuare interrogazioni (queries): l’inserimento,
la cancellazione, l’aggiornamento, la ricerca, la stampa di
report personalizzati.
Mauro Conti
Basi di Dati
Database: Definizioni
Differenze tra i database e gli archivi cartacei:
Nel gergo dei database si utilizzano i seguenti termini
corrispondenti a quelli che abbiamo visto:
Attributo = Campi (Fields)
Scheda = Record
Database = Archivio di Schede
I database sono salvati su memorie di massa, mentre gli
archivi su supporti cartacei
La gestione dei dati è gestita da programmi applicativi per i
database, è manuale per gli archivi cartacei
nei database è più veloce la ricerca di dati, la selezione di una
lista di record appartenenti a schede diverse, l’ordinamento di
record o campi secondo criteri arbitrari.
Mauro Conti
Basi di Dati
Classi di Database
Esistono principalmente 2 tipi di database (2 modi diversi di
realizzare un database)
Flat file
Database relazionali o a oggetti
Mauro Conti
Basi di Dati
Database Flat File
Un database può essere costituito da un semplice file di
testo ordinato secondo un preciso schema.
All’interno del file esistono delle sequenze di caratteri, gli
spaziatori (separatori nella figura a fianco), che
permettono di individuare i singoli record.
All’interno di un record esistono delle parole chiave che
permettono di individuare i campi di quel record. Questi
identificatori di campo possono corrispondere
semplicemente alla posizione di una casella di testo
oppure possono essere delle “etichette” che indicano il
tipo di campo.
In genere esiste un campo (ID, identificatore, chiave...)
che identifica univocamente i record del DB (non possono
esistere 2 record con lo stesso valore nel campo chiave!)
Mauro Conti
Basi di Dati
Flat File Database
Esempio di Flat File
Nell’esempio ci sono 3 record separati da //, i record hanno 8,6,6
campi rispettivamente (ciascun campo occupa una riga).
L’identificatore del campo è separato dal valore del campo da “:”.
Il campo chiave ha come identificatore ID.
Mauro Conti
Basi di Dati
Flat File: un altro esempio
Qual è il separatore di record?
Qual è il separatore di campo?
Mauro Conti
Basi di Dati
Flat File: un altro esempio
Il separatore di record è il carattere di “a capo” (pallino rosso).
Il separatore di campo è il carattere “TAB” (pallino blu)
Mauro Conti
Basi di Dati
Flat File: Ricerca di Record
Un flat file biologico può contenere migliaia o milioni di record.
È inefficiente percorrere tutto il file dall’inizio alla fine per
cercare un record (ad esempio cercando nel campo ID il valore
82764).
Si prepara, per ogni campo, una lista di tutti
i valori presenti nell’archivio con la loro
posizione nel file (indice).
Gli indici sono più piccoli dei file originali,
quindi fare le ricerche sugli indici è più
veloce!
Mauro Conti
Basi di Dati
Flat File: Considerazioni
Vantaggi:
Implementato in banche dati progettate ed ottimizzate per la
consultazione rapida nel caso di formulazioni di query
complesse.
Risposta rapida alle domande che si pongono alla banca dati
che può contenere Gigabyte di informazioni (come le banche
dati biologiche primarie).
Si può scegliere di indicizzare solo parte dei dati per rendere il
file di indici più compatto e veloce da consultare.
La scelta è stata fatta ed utilizzata dalle banche dati
biologiche basate su sistemi di interrogazioni come ENTREZ e
SRS.
Svantaggi:
È complicato aggiornare il database, se si aggiungono nuovi
record o si aggiornano i dati pre-esistenti si deve calcolare
nuovamente l’indice dei dati.
Mauro Conti
Basi di Dati
Database Flat File
Un database Flat File è composto da un’unica tabella (qua
sotto ancora l’esempio delle fatture)
Numero
1
2
3
data
1/1/2003
NULL
19/7/2011
nome cliente
Mario Rossi
Gino Verdi
Mario Rossi
indirizzo cliente
via Trieste 63
vicolo stretto 1
via Trieste 95
prezzo
185
2100
100
Ogni riga della tabella è un record (una scheda), ogni cella
della tabella un campo
In ogni record devono essere presenti tutti i campi, nel caso di
dati mancanti si deve utilizzare un valore speciale NULL.
Mauro Conti
Basi di Dati
Database Relazionali
Un Database Relazionale è un insieme di TABELLE (table), in
origine chiamate relazioni, collegate logicamente l’una con
l’altra.
Una tabella di un DB relazionale è l’equivalente di un flat-file.
Mauro Conti
Basi di Dati
Database Relazionali
Si utilizzano più tabelle per evitare di duplicare i dati.
Ad esempio, se dobbiamo modificare il nome del cliente basta
modificare un solo record!
Mauro Conti
Basi di Dati
DBMS
I database relazionali necessitano di particolari programmi di
gestione (Database Management System o DBMS)
che siano in grado di saltare da una tabella all’altra e di capire
le relazioni ed i vincoli ad esse associati.
Devono inoltre occuparsi di gestire l’aggiunta, la modifica e la
gestione degli indici
Il DBMS funge da interfaccia verso il database, in una tipica
configurazione client-server. Il server è residente su un
computer remoto, mentre i client sono in generale altri
computer.
Mauro Conti
Basi di Dati
SQL Structured Query Language
SQL È sicuramente il DBMS relazionale più diffuso.
SQL é uno standard di cui esistono alcune implementazioni:
ORACLE (commerciale)
Mysql (gratuita)
Al fine di rendere più semplice la consultazione dei dati, molti
database biologici sono estratti dai loro sistemi di gestione
relazionale e sono “appiattiti” in file di testo, i “flat files”
leggibili come semplici file di testo. Ricordo che i “flat files”
possono essere indicizzati e utilizzati per ricerche anche molto
complesse (ENTREZ, SRS).
Mauro Conti
Basi di Dati
Interrogazioni delle basi di dati
RICERCHE TESTUALI (QUERY)
Utilizzano dei programmi di RETRIEVAL (cioè di ricerca,
reperimento dati) per restituire i record di un database che
soddisfano i criteri richiesti.
Sfruttano una ricerca di tipo letterale ed individuano termini
uguali.
RICERCHE PER SIMILARITÀ (su sequenze nucleotidiche o
proteiche)
Restituiscono le sequenze di un database più simili ad una
sequenza fornita come query.
Non sono delle vere e proprie query in quanto richiedono
l’esecuzione di programmi anche piuttosto complessi (ad
esempio BLAST o FASTA).
Mauro Conti
Basi di Dati
Interrogazioni delle basi di dati
È generalmente possibile utilizzare gli operatori booleani
AND, OR, NOT per costruire interrogazioni più complesse
Mauro Conti
Basi di Dati